Python數據科學：技術詳解與商業實踐 ( 簡體 字) |
| 作者：常國珍 趙仁乾 張秋劍 著 | 類別：1. -> 程式設計 -> Python |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 49424
詢問書籍請說出此書號！【缺書】
NT售價： 495 元 |
| 出版日：7/1/2018 |
| 頁數：415 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111603092 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：本書是一本集數據分析、數據挖掘、機器學習為一體，面向商業實戰的養成式學習手冊。為有志從事數據科學工作的讀者提供系統化的學習路徑，使讀者掌握數據科學的理念、思路與分析步驟。
本書力圖淡化技術，對于方法的介紹也盡量避免涉及過多的數學內容，而且都輔以圖形進行形象地展現。本書將不同算法看作功能各異的工具，比如用于煮飯的悶鍋、用于炒菜的炒鍋，每種工具的操作方式都應該遵循相應的說明書，因此對于每種算法我們強調其假設、適用條件與商業數據分析主題的匹配。我們在實踐教學中發現，業務經驗豐富和有較好商業模式理解能力的學員，在掌握數據科學的技能方面具有明顯的優勢。這主要是因為這類學員有較強的思辨能力和分析能力，學習的目的性和質量意識較強，不只是簡單地模仿和套用數學公式，所以本書也注重對讀者思辯能力和分析能力的培養。
本書相當于Python的數據科學工具箱，專門提供了不同數據運用主題的操作框架。不同于一般泛泛而講的運用案例，落地性強，便于讀者實際運用。
本書不是一本教科書或案例集，而是一本提供數據挖掘路線圖與解決方案的實戰手冊。2014年我們編寫了一套使用SAS進行商業數據分析的書，得到了讀者的認可。2016年我們同時啟動了R和Python數據科學方面的寫作工作。我們在Python上投入了數倍于R的精力，但是R的書如期問世，而本書卻推遲了近一年，原因是Python目前還無法滿足精細數據分析的要求。
在數據分析領域，如果說SAS是沖鋒槍，那R就是手槍，Python就是匕首。打過CS的同學都知道，使用沖鋒槍不需要槍法有多好，只要資金充足，新手都能得心應手。而使用手槍的必定是槍法很準的老手。出門使用匕首殺敵的，必定是神級選手。但是切記，不是使用匕首就是神級，只有使用匕首殺敵并活下來的才是。Python雖然語法優美，開發效率和執行效率均高，但是它是開發工程師的語言，不是面向分析師的，因此分析師要想需要造很多輪子。Python雖然目前方興未艾，但是在數據科學領域的路還很漫長，投資于未來是艱苦而收益頗豐的。作為用好Python,一部由工作在一線的“文科”背景作者編寫的數據科學圖書，本書力圖降低Python的學習難度，嘗試提供不同分析主題的數據科學工作模板，滿足億萬“文科生”的數字化轉型需求。
讀者對象
（1）大數據營銷分析人員
營銷是大數據落地項目最多的領域，也是數據科學活躍的重鎮，數據分析能力將是衡量營銷分析人員最重要的指標。可以說未來的每一位營銷分析人員，都必須是數據科學工作者。
（2）顧客關系管理人員和數據產品經理
隨著工業4杄0時代的到來，標準化制造將逐步被定制化制造取代。因此對客戶價值、客戶滿意度與客戶忠誠度的分析將會愈加重要，這些都需要使用到本書中介紹的數據科學工具。
（3）風險管控人員
本書可以作為風險預測模型的工具箱使用。
（4）IT轉型人員
在我們開設的數據科學課程中，將近1/3的學員從事IT工作，學員們表示本書內容對其轉型提供了很大的幫助。
（5）大中院校學生
本書的內容面向實戰，適合作為本碩階段的參考書。
如何閱讀本書
本書有三種閱讀方式。
第一種方式：閱讀完第1章之后，直接閱讀第19章，以案例為導向，遇到不懂的知識點再翻閱之前的內容。這個方式適合在崗的初級數據工作者。
第二種方式：按照客戶生命不同周期的數據分析主題，分別從本書中找到獲客營銷、信用評級、客戶畫像、精準營銷、客戶分群、交叉銷售、流失預警等內容并逐一學習。這個方式適合市場營銷方向的工作者和學生使用。
第三種方式：按照章節逐一閱讀，按照知識點由易到難遞進式學習。這個方式學習周期長，適合有教師帶領學習時使用。
勘誤和支持
除封面署名的作者外，參加本書編審和校對工作的還有：吳璐、曾珂、錢小菲。由于作者的水平有限，編寫時間倉促，書中難免會出現一些錯誤或者不準確的地方，懇請讀者批評指正。另外有一些工作的點滴所獲，也希望與讀者第一時間分享，我們會不定時發布在作者的知乎頁面。 。書中的全部源文件除可以從華章網站嶋嶋參見華章網站——編輯注。 下載外，還可以從知乎主頁下載，我們也會將相應的功能更新及時發布出來。如果你有更多的寶貴意見，也歡迎發送郵件，期待能夠得到你們的真摯反饋。
致謝
常國珍在此感謝碩、博期間的兩位恩師——北大社會學系周云教授和北大光華管理學院姜國華教授，前者引領我進入社會科學的大門，后者指導我以價值投資的理念對待工作和生活，解決安身立命之本。同時感謝我家人的關心和理解，尤其感謝我的妻子楊巧巧女士，正是她的付出，才能讓我安心寫作。
趙仁乾在此感謝北京電信規劃設計院的領導與同事，他們給予了我項目機會和經驗傳承，讓我能夠更快成長。感謝我的父母、妻子和孩子，正是在他們的關心和理解下，我才能專心于本書的寫作。
張秋劍在此感謝星環的孫元浩、張月鵬先生給予我的機遇；感謝沃趣的陳棟、李建輝先生給予我的信任；感謝優網的馬建功、孟慧智先生給予我的栽培；感謝上海師范大學的王笑梅、李建國老師給予我的教誨。感謝我的家人給予我的堅定支持，以及所有不能一一道謝的朋友們。
感謝機械工業出版社華章公司的編輯楊福川、張錫鵬為本書的出版付出的艱辛勞作。感謝上海市房屋土地資源信息中心的吳璐、第一車貸的曾珂為本書的修改提供的寶貴建議。
謹以此書獻給和我們一樣在摸索中繼續前行的朋友們！
常國珍 趙仁乾 張秋劍 |
內容簡介：這是一本以Python為工具，以商業實戰為導向的數據科學家養成手冊，從技術、業務、商業實戰3個維度為有志成為數據科學家的讀者提供了系統化的學習路徑。
3位作者是數據科學和金融領域的資深專家，不僅技術精湛、經驗豐富，而且在本書的寫作上也頗下功夫：首先，將數學和算法等復雜的技術用圖形化的方式來展現，盡可能降低讀者的理解難度；其次，本書不是一本教科書或案例集，而是針對數據科學家的能力模型提供系統化的解決方案。
全書一共19章：內容依次圍繞技術、業務和商業實戰3個維度展開：
技術維度：較為系統和深度地講解了數據挖掘、數據分析以及機器學習等數據科學中核心的技術。
業務維度：圍繞宏觀業務分析和微觀客戶分析展現了數據科學在市場研究、企業管理、客戶畫像與分析、精準營銷、風險度量、流失預警等方面的知識點。
實戰維度：以案例的形式全面展現了著名咨詢公司從事客戶量化分析的方法論，為讀者提供了標準的數據科學工作模板。
本書腳本請到作者的Github主頁上下載。 |
目錄：前言
第1章數據科學家的武器庫
1-1數據科學的基本概念
1-2數理統計技術
1-2-1描述性統計分析
1-2-2統計推斷與統計建模
1-3數據挖掘的技術與方法
1-4描述性數據挖掘算法示例
1-4-1聚類分析——客戶細分
1-4-2關聯規則分析
1-5預測性數據挖掘算法示例
1-5-1決策樹
1-5-2KNN算法
1-5-3Logistic回歸
1-5-4神經網絡
1-5-5支持向量機
1-5-6集成學習
1-5-7預測類模型講解
1-5-8預測類模型評估概述
第2章Python概述
2-1Python概述
2-1-1Python簡介
2-1-2Python與數據科學
2-1-3Python2與Python3
2-2Anaconda Python的安裝、使用
2-2-1下載與安裝
2-2-2使用Jupyter Notebook
2-2-3使用Spyder
2-2-4使用conda或pip管理
第三方庫
第3章數據科學的Python編程基礎
3-1Python的基本數據類型
3-1-1字符串(str)
3-1-2浮點數和整數（float、int）
3-1-3布爾值（Bool：True/False）
3-1-4其他
3-2Python的基本數據結構
3-2-1列表（list）
3-2-2元組（tuple）
3-2-3集合（set）
3-2-4字典（dict）
3-3Python的程序控制
3-3-1三種基本的編程結構簡介
3-3-2順承結構
3-3-3分支結構
3-3-4循環結構
3-4Python的函數與模塊
3-4-1Python的函數
3-4-2Python的模塊
3-5Pandas讀取結構化數據
3-5-1讀取數據
3-5-2寫出數據
第4章描述性統計分析與繪圖
4-1描述性統計進行數據探索
4-1-1變量度量類型與分布類型
4-1-2分類變量的統計量
4-1-3連續變量的分布與集中趨勢
4-1-4連續變量的離散程度
4-1-5數據分布的對稱與高矮
4-2制作報表與統計制圖
4-3制圖的步驟
第5章數據整合和數據清洗
5-1數據整合
5-1-1行列操作
5-1-2條件查詢
5-1-3橫向連接
5-1-4縱向合并
5-1-5排序
5-1-6分組匯總
5-1-7拆分、堆疊列
5-1-8賦值與條件賦值
5-2數據清洗
5-2-1重復值處理
5-2-2缺失值處理
5-2-3噪聲值處理
5-3RFM方法在客戶行為分析上的運用
5-3-1行為特征提取的RFM方法論
5-3-2使用RFM方法計算變量
5-3-3數據整理與匯報
第6章數據科學的統計推斷基礎
6-1基本的統計學概念
6-1-1總體與樣本
6-1-2統計量
6-1-3點估計、區間估計和中心極限定理
6-2假設檢驗與單樣本t檢驗
6-2-1假設檢驗
6-2-2單樣本t檢驗
6-3雙樣本t檢驗
6-4方差分析（分類變量和連續變量關系檢驗）
6-4-1單因素方差分析
6-4-2多因素方差分析
6-5相關分析（兩連續變量關系檢驗）
6-5-1相關系數
6-5-2散點矩陣圖
6-6卡方檢驗（二分類變量關系檢驗）
6-6-1列聯表
6-6-2卡方檢驗
第7章客戶價值預測：線性回歸模型與診斷
7-1線性回歸
7-1-1簡單線性回歸
7-1-2多元線性回歸
7-1-3多元線性回歸的變量篩選
7-2線性回歸診斷
7-2-1殘差分析
7-2-2強影響點分析
7-2-3多重共線性分析
7-2-4小結線性回歸診斷
7-3正則化方法
7-3-1嶺回歸
7-3-2LASSO回歸
第8章Logistic回歸構建初始信用評級
8-1Logistic回歸的相關關系分析
8-2Logistic回歸模型及實現
8-2-1Logistic回歸與發生比
8-2-2Logistic回歸的基本原理
8-2-3在Python中實現Logistic回歸
8-3Logistic回歸的極大似然估計
8-3-1極大似然估計的概念
8-3-2Logistics回歸的極大似然估計
8-4模型評估
8-4-1模型評估方法
8-4-2ROC曲線的概念
8-4-3在Python中實現ROC曲線
第9章使用決策樹進行初始信用評級
9-1決策樹概述
9-2決策樹算法
9-2-1ID3建樹算法原理
9-2-2C4-5建樹算法原理
9-2-3CART建樹算法原理
9-2-4決策樹的剪枝
9-3在Python中實現決策樹
9-3-1建模
9-3-2模型評估
9-3-3決策樹的可視化
9-3-4參數搜索調優
第10章神經網絡
10-1神經元模型
10-2單層感知器
10-3BP神經網絡
10-4多層感知器的scikit拟learn代碼實現
第11章分類器入門：最近鄰域與樸素貝葉斯
11-1KNN算法
11-1-1KNN算法原理
11-1-2在Python中實現KNN算法
11-2樸素貝葉斯分類
11-2-1貝葉斯公式
11-2-2樸素貝葉斯分類原理
11-2-3樸素貝葉斯的參數估計
11-2-4在Python中實現樸素貝葉斯
第12章高級分類器：支持向量機
12-1線性可分與線性不可分
12-2線性可分支持向量機
12-2-1函數間隔和幾何間隔
12-2-2學習策略
12-2-3對偶方法求解
12-2-4線性可分支持向量機例題
12-3線性支持向量機與軟間隔最大化
12-4非線性支持向量機與核函數
12-4-1核函數
12-4-2非線性支持向量機的學習
12-4-3示例與Python實現
12-5使用支持向量機的案例
第13章連續變量的特征選擇與轉換
13-1方法概述
13-2主成分分析
13-2-1主成分分析簡介
13-2-2主成分分析原理
13-2-3主成分分析的運用
13-2-4在Python中實現主成分分析
13-3基于主成分的冗余變量篩選
13-4因子分析
13-4-1因子分析模型
13-4-2因子分析算法
13-4-3在Python中實現因子分析
第14章客戶分群與聚類
14-1聚類算法概述
14-2聚類算法基本概念
14-2-1變量標準化與分布形態轉換
14-2-2變量的維度分析
14-3聚類模型的評估
14-4層次聚類
14-4-1層次聚類原理
14-4-2層次聚類在Python中的實現
14-5基于劃分的聚類
14-5-1k拟means聚類原理
14-5-2k拟means聚類的應用場景
14-5-3在Python中實現k拟means聚類
14-6基于密度的聚類
14-6-1詳談基于密度聚類
14-6-2在Python中實現密度聚類
14-7案例:通信客戶業務使用偏好聚類
14-7-1保持原始變量分布形態進行聚類
14-7-2對變量進行分布形態轉換后聚類
第15章關聯規則
15-1關聯規則
15-1-1關聯規則的一些概念
15-1-2Apriori算法原理
15-1-3在Python中實現關聯規則
15-2序列模式
15-2-1序列模式簡介與概念
15-2-2序列模式算法
15-2-3在Python中實現序列模式
第16章排序模型的不平衡分類處理
16-1不平衡分類概述
16-2欠采樣法
16-2-1隨機欠采樣法
16-2-2Tomek Link法
16-3過采樣法
16-3-1隨機過采樣法
16-3-2SMOTE法
16-4綜合采樣法
16-5在Python中實現不平衡分類處理
第17章集成學習
17-1集成學習概述
17-2Bagging
17-2-1Bagging算法實現
17-2-2隨機森林
17-3Boosting
17-4偏差（Bias）、方差（Variance）與集成方法
17-4-1偏差與方差
17-4-2Bagging與Boosting的直觀理解
第18章時間序列建模
18-1認識時間序列
18-2效應分解法時間序列分析
18-3平穩時間序列分析ARMA模型
18-3-1平穩時間序列
18-3-2ARMA模型
18-3-3在Python中進行AR建模
18-4非平穩時間序列分析ARIMA模型
18-4-1差分與ARIMA模型
18-4-2在Python中進行ARIMA建模
18-5ARIMA方法建模總結
第19章商業數據挖掘案例
19-1個人貸款違約預測模型
19-1-1數據介紹
19-1-2業務分析
19-1-3數據理解
19-1-4數據整理
19-1-5建立分析模型
19-1-6模型運用
19-1-7流程回顧
19-2慈善機構精準營銷案例
19-2-1構造營銷響應模型
19-2-2構造客戶價值預測模型
19-2-3制訂營銷策略
19-2-4案例過程回顧與不足
19-3旅游企業客戶洞察案例
19-3-1案例說明
19-3-2數據預處理
19-3-3使用k拟means聚類建模
19-3-4對各個簇的特征進行描述
19-4個人3C產品精準營銷案例
19-4-1案例說明
19-4-2數據預處理
19-4-3建模
19-4-4模型評估
19-4-5下一步建議
附錄A 數據說明
參考文獻 |
| 序： |
